五分钟--计算机数据结构，如何计算时间复杂度看这篇就够了

数据结构与算法

前提概述

本篇的目的

事实上，我不按照传统的讲法一个一个数据结构无聊的诉说下去，我尽可能让你感兴趣且能够快速入门，所以有些地方可能不那么规范和严谨，或者因为我的学识尚浅难免出现或多或少或大或小的问题，虚心向各位大手请教，欢迎指出和讨论。

什么是数据结构

简单的来说就是一段数据的存储方式

什么是算法

算法就是一个问题的解决方案，而好的算法对于解决这个问题则有更少的时间或空间成本

比如我们在小学的时候，做1+2+3+4+......+99+100这个算数时，可以一个一个相加，也可以根据这个规则知道头尾相加等于100，这样我们简单且更快就能算出4900+50=4950

两者的联系

算法往往是针对特定数据结构的，例如一串数据用两种结构，链表和数组来保存，那么对应的插入算法就完全不同了

对于链表，我插入一个B数据只需要将A数据的链尾指针指向B的头部，然后，把B数据的尾部指针指向原先A指针指向的C数据，这样就能将数据插入。

对于数组，上面的算法就完全行不通，因为数组的结构决定了两个数据之间是紧密的，所以无法将所谓A数据和C数据分开，在中间插入B数据。这个算法主要解决办法是，开辟一个新的内存空间，这个新的内存空间比之前的数组空间正好大一个B数据的大小，而把原数组A之前的先复制过来，然后把B数据顺序放入，再把原数组C之后的复制过去，正好填满这个新开辟的数据空间，这样就完成了数组插入。

数组和链表的各自优势劣势我就懒得说了，老生常谈了。

从算法成本开始

我们前文说过衡量一个算法好坏基本是依照两点，一个是时间成本，一个是空间成本

如何得知时间成本

第一点在Java当中我可以这么直观的得到这个计算速度，如下

public class TimeComplexity {
    public static void main(String[] args) {
        int a = 0;
        long before = System.currentTimeMillis();
        for(long i = 0;i<10000L;i++){
            likeAAlgorithm(a);
        }
        long after = System.currentTimeMillis();

        System.out.println(after-before);
    }

    public static void likeAAlgorithm(int a){
        //假装里面是算法
    }
}

不用解释吧，after-before得到时间差就是算法时间成本，而因为CPU计算实在太快了，为了能够直观的看到两个算法的差别（你可以试试看，只要不是太夸张的故意开销，基本上print都是1），for循环了10000次！

更学术的科学的定义—时间复杂度Big O

时间复杂度

• 不考虑这个算法的必须操作，例如循环、初值、初始化

• 不考虑常数项，例如2n、5n，记O(n)

• 不考虑低次项、例如n^2+n+5，记为O(n^2)

举个例子吧

访问数组的某个位置的值

因为我们知道在数组中由于他的数据是紧密排列的，所以当我想要找其中的一个数据，我知道他的位置，相当于一个偏移量，只需要一次就完成了，无论这个数组被扩大到多大，只要是顺序紧密排列的，我们都只需要经过一次就能找到这个位置的值。所以他的时间复杂度被记为O(1)，这里的1并不是一次的意思，而是指一个常数量！不会因为数据量n变大，而时间复杂度跟着以某种维度变大，他一直维持着一个常数量级，就记为O(1)。

访问列表时

初学者，可能会回答，每个位置不同，emmm确实如此，链表的数据结构决定他只能一个一个遍历的找，离头节点越远越久，但是这里也引出了第二个特性：要考虑最坏情况，显然考虑最坏情况就是在最后一个节点，显然复杂度是O(n)

O(n)的含义是，随着数据的增大，而这个算法所花费的时间呈线性增大，如Y=KX+B，忽略常数项，Y=O(X)。

求数组的平均数

平均数就是arr[1]+arr[2]+.....+arr[n]/n，这个数学公式随着我数组的数据量（也就是n）增大，也是线性增大（分子的维数是n），所以显然时间复杂度是O(n)